- 赛事介绍
- 竞赛排行榜
- 奖金记录
- 讨论($vue{comment_count})
- 学习资源
大赛简介
此数据集与CIFAR-10类似,不同之处在于它有100个类型,每类包含600个图像。每个类有500个训练图像和100个测试图像。CIFAR-100中的100个小类分为20个大类,每张图片包含其所属的小类和大类标签。
参赛须知
参赛时间: 本次竞赛无时间限制,长期有效开放
参赛方式
参赛选手说明
- 参赛人员身份信息需保证真实、有效,大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生,算法工程师和所有AI爱好者参与
- 本次竞赛报名形式:以个人形式本地提交作品线上审核,并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前,团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群,一起学习进步!重要通知也将在群内发布,不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人,提交相似结果文件,取消双方所有人员参赛资格
- 多开小号报名、提交,一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中,通过脚本获取比赛数据,成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练,成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型,使用非官方验证预训练模型,成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核!!情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为,奖金一律不发放。之前所获得奖金金额官方有权收回,情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
奖项设置 |
获奖人数 |
奖金额度说明(按最终得分评判) |
FlyAI挑战奖 |
所有挑战者 |
奖金获取标准:60<Score<=100 按照得分比例获取奖金池金额 |
新框架奖励 |
所有人 |
项目中首次使用排行榜中未出现的新框架搭建模型,可获得60FAI币额外积分奖励 |
赛事主题和数据说明
赛题描述
通过迭代自己的算法模型并提交训练,获取奖金池高额奖金。小提示:抢先更新算法排行榜,有更大机会获取高额奖金哦
数据来源
CIFAR100
数据描述
由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据。
字段说明:
文件名 |
字段名称 |
字段类型 |
备注 |
image_path |
string |
不为空 |
图片的相对路径 |
label |
float |
大于等于 0, 小于等于 99 |
图片的标注标签 |
name |
int |
不为空 |
图片上对应的类别 |
参考文献:
[1]Learning Multiple Layers of Features from Tiny Images, Alex Krizhevsky, 2009.
评审标准
算法输入输出格式
输入字段:
image_path,
输出字段:
label,
评审指标说明
- 准确率(Accuracy):对于给定的测试数据集,预测正确的样本数与实际总样本数之比
- True,表示预测正确的样本数数量
- Total Number of Samples,表示实际总样本数数量
- 计算公式如下:
比赛常见问题说明
Q:比赛使用什么框架?
- 比赛支持常用的机器学习和深度学习框架,比如TensorFlow,PyTorch,Keras,Scikit-learn、MXNet等。
Q:怎么参加比赛,需不需要提交CSV文件?
- FlyAI竞赛平台提供免费云端GPU资源,报名后可以使用自己熟练的框架,修改main.py中的网络结构和processor.py中的数据处理;仅部分赛题支持CSV方式提交,请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的?
- 参加项目竞赛必须实现 model.py 中的predict_all方法。系统通过该方法,调用模型得出评分。
超过 60分 的成绩会在48小时内更新到排行榜,不要着急哦!
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为99.02。
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为95.47。
batch数据为64,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为84.12。
4
batch数据为100,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为83.12。
5
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为82.09。
6
batch数据为200,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为78.52。
7
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为77.58。
8
batch数据为256,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为75.78。
9
batch数据为512,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为73.32。
10
batch数据为36000,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为69.07。
11
batch数据为256,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为63.38。
12
batch数据为1024,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为60.80。
13
batch数据为100,循环次数为320次,通过在线上环境完成训练,模型最优精度评分为59.02。
14
batch数据为50,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为56.53。
15
batch数据为256,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为52.23。
16
batch数据为128,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为50.86。
17
batch数据为1024,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为50.32。
18
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为49.86。
19
batch数据为256,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为49.40。
20
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为49.12。
21
batch数据为64,循环次数为2000次,通过在线上环境完成训练,模型最优精度评分为47.73。
22
batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为43.89。
23
batch数据为256,循环次数为1500次,通过在线上环境完成训练,模型最优精度评分为43.40。
24
batch数据为256,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为41.90。
25
batch数据为256,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为40.01。
26
batch数据为512,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为39.07。
27
batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为38.19。
28
batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为38.12。
29
batch数据为500,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为38.12。
30
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为38.12。
31
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为38.12。
32
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为38.12。
33
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为38.12。
34
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为38.12。
35
batch数据为128,循环次数为120次,通过在线上环境完成训练,模型最优精度评分为38.12。
36
batch数据为10,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为38.12。
37
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为38.12。
38
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为38.12。
39
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为38.12。
40
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为38.12。
41
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为38.12。
42
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为38.12。
43
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为38.12。
44
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为37.91。
45
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为37.44。
46
batch数据为128,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为35.61。
47
batch数据为128,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为35.16。
48
batch数据为256,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为34.23。
49
batch数据为512,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为34.14。
50
batch数据为256,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为32.43。
51
batch数据为256,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为29.73。
52
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为27.82。
53
batch数据为64,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为26.11。
54
batch数据为256,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为26.02。
55
batch数据为64,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为24.03。
56
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为20.97。
57
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为20.93。
58
batch数据为64,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为20.07。
59
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为17.75。
60
batch数据为256,循环次数为10000次,通过在线上环境完成训练,模型最优精度评分为16.25。
61
batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为14.52。
62
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为13.32。
63
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为12.54。
64
batch数据为128,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为10.26。
65
batch数据为64,循环次数为300次,通过在线上环境完成训练,模型最优精度评分为8.62。
66
batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为8.47。
67
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为7.69。
68
batch数据为512,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为7.16。
69
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为6.59。
70
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为5.65。
71
batch数据为128,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为5.04。
72
batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为4.67。
73
batch数据为128,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为4.29。
74
batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为3.66。
75
batch数据为100,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为3.60。
76
batch数据为128,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为2.57。
77
batch数据为500,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为2.34。
78
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为2.01。
79
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为1.96。
80
batch数据为256,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为1.47。
81
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为1.32。
82
batch数据为64,循环次数为90次,通过在线上环境完成训练,模型最优精度评分为1.32。
83
batch数据为32,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为1.17。
84
batch数据为256,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为1.11。
85
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为1.04。
86
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为1.03。
87
batch数据为128,循环次数为3333次,通过在线上环境完成训练,模型最优精度评分为1.01。
88
batch数据为64,循环次数为3000次,通过在线上环境完成训练,模型最优精度评分为1.01。
89
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为0.96。
90
batch数据为64,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为0.87。
91
batch数据为32,循环次数为500次,通过在线上环境完成训练,模型最优精度评分为0.84。
92
batch数据为64,循环次数为200次,通过在线上环境完成训练,模型最优精度评分为0.83。
93
batch数据为128,循环次数为5000次,通过在线上环境完成训练,模型最优精度评分为0.81。
2019-04-09
- 唱跳RAP打篮球
-
模型得分为99.64,本次获得实时奖励奖金为5元
2019-04-09 08:51:48
2019-04-08
- Teenage Dream
-
模型得分为95.47,本次获得实时奖励奖金为39元
2019-04-08 00:19:44
2019-04-01
- cactus_6
-
模型得分为20.93,本次获得实时奖励奖金为10元
2019-04-01 23:46:25
- kongd
-
模型得分为12.95,本次获得实时奖励奖金为10元
2019-04-01 23:27:15
- 'code and paper'
-
模型得分为0.84,本次获得实时奖励奖金为10元
2019-04-01 23:16:56
- 小瓶盖子
-
模型得分为2.15,本次获得实时奖励奖金为10元
2019-04-01 20:27:08
2019-04-01
- 看你很6哦
-
模型得分为2.28,本次获得实时奖励奖金为10元
2019-04-01 11:45:31
2019-04-01
- zhiduanqingchang
-
模型得分为26.59,本次获得实时奖励奖金为10元
2019-04-01 02:59:41
- codePlay
-
模型得分为10.26,本次获得实时奖励奖金为10元
2019-04-01 00:47:06
2019-03-31
- 哇咔咔
-
模型得分为5.04,本次获得实时奖励奖金为10元
2019-03-31 01:05:57
- 无名小辈
-
模型得分为48.23,本次获得实时奖励奖金为10元
2019-03-31 00:12:58
- 杰
-
模型得分为40.01,本次获得实时奖励奖金为10元
2019-03-30 20:46:49
2019-03-29
- 沉迷于深度学习不见消瘦无法自拔
-
模型得分为0.96,本次获得实时奖励奖金为10元
2019-03-29 21:50:08
- LALALALALALA
-
模型得分为0.96,本次获得实时奖励奖金为10元
2019-03-29 21:31:45
- 火炎焱燚
-
模型得分为0.96,本次获得实时奖励奖金为10元
2019-03-29 16:58:06
2019-03-29
- 小北
-
模型得分为15.68,本次获得实时奖励奖金为10元
2019-03-29 11:57:33
2019-03-29
- Hw丶
-
模型得分为5.27,本次获得实时奖励奖金为10元
2019-03-29 02:51:42
2019-03-28
- 探索者1553567528
-
模型得分为5.08,本次获得实时奖励奖金为10元
2019-03-28 17:30:20
- Rank
-
模型得分为37.57,本次获得实时奖励奖金为10元
2019-03-28 14:17:40
2019-03-27
- 玄学上分
-
模型得分为76.17,本次获得实时奖励奖金为10元
2019-03-27 21:21:12
- Hnecl
-
模型得分为14.94,本次获得实时奖励奖金为10元
2019-03-27 17:12:58
2019-03-26
- ziz
-
模型得分为1.19,本次获得实时奖励奖金为10元
2019-03-26 09:31:50
2019-03-23
- Value_H
-
模型得分为1.32,本次获得实时奖励奖金为10元
2019-03-23 01:36:47
- Hallo
-
模型得分为1.01,本次获得实时奖励奖金为10元
2019-03-23 00:24:38
- 李小白
-
模型得分为32.55,本次获得实时奖励奖金为10元
2019-03-22 20:07:48
- CooKo1552966657
-
模型得分为2.57,本次获得实时奖励奖金为10元
2019-03-22 19:28:36
2019-03-21
- 就是很任性
-
模型得分为4.42,本次获得实时奖励奖金为10元
2019-03-21 18:03:32
2019-03-21
- trick_or_treat
-
模型得分为71.12,本次获得实时奖励奖金为131元
2019-03-21 09:47:52
- lyming
-
模型得分为5.97,本次获得实时奖励奖金为10元
2019-03-21 07:37:34
2019-03-20
- cookie
-
模型得分为38.05,本次获得实时奖励奖金为10元
2019-03-20 13:01:39
- 你猜猜我是谁
-
模型得分为83.12,本次获得实时奖励奖金为325元
2019-03-20 12:49:41
2019-03-17
- 风雨兼程
-
模型得分为38.12,本次获得实时奖励奖金为10元
2019-03-17 22:05:43